8 月 11 日，两份研究在同一天发布，说的是同一件事的两面。
Croud 的消费者指数（Consumer Index）调查了 2000 多名美国消费者，结论里有三个数字值得记住：73% 的 AI 用户在下单前会先通过大模型研究品牌，69% 的美国人愿意让 AI 直接替他们下单、连确认都不需要，还有 39% 的人在采纳 AI 推荐之前，会再去找四个以上的来源核实。
同一天，Cox Automotive 的汽车零售 AI 追踪报告给了卖方那面镜子：82% 的经销商已经在门店内部用上了 AI——做任务自动化、客户跟进、内容生成；但只有 29% 的经销商为了 AI 驱动的搜索行为调整过策略。而 AI 作为购车研究渠道的占比已经爬到 36%，紧贴专业汽车网站的 38%。
把两份报告拼在一起，你会看到一个过去十年营销里没有过的结构：购买决策裂成了两段。 第一段是「发现」——买家把搜索这件事外包给了机器，短名单在模型里悄悄生成；第二段是「验证」——买家转身离开，到卖家看不见的地方，把机器的答案再核一遍。
大多数品牌，只付了第一段的钱。
一、决策为什么裂成了两段
过去，一个人要买一台空气净化器，路径大致是：打开搜索引擎 → 点进几个结果 → 对比参数 → 下单。卖家要做的，是买下「空气净化器推荐」这个关键词的排名，然后等着点击进来。
现在这条路径断了。买家不再点开十个蓝色链接，而是直接问一句「我家有猫有鼻炎，预算两千，买哪台？」。模型给出一个答案，可能包含三个品牌。买家没有点进任何一家的官网——短名单在那一刻已经生成，而卖家不知道自己的品牌在不在里面，更不知道是哪个 prompt 把它排进去的、哪个 prompt 把它踢出去的。
然后是第二个动作。Croud 那 39% 的数据说的是：相当一部分人不会直接采纳模型的答案。他们会再去 YouTube 看实测、去论坛翻帖子、去小红书搜真实反馈——用一个模型之外的信息源，验证模型给的那个结论。而验证的人群里，超过三分之一去了 YouTube。
这就是「裂成两段」的含义：让 AI 推荐你，和让 AI 推荐之后有人帮你背书，是两笔不同的预算。 只买第一笔，等于花大价钱让模型替你推荐，然后眼睁睁看着买家拿着这个推荐，去别的地方证伪它。
二、Thorne 的案例：赢在第二段
Croud 在这份报告里点名了一个客户——健康品牌 Thorne。就是那个做补充剂和健康检测、常被长寿圈博主挂在嘴边的牌子。它的转型可以当一个样本看。
Thorne 过去是典型的关键词驱动：把预算压在 supplement、vitamin D、omega-3 这类词上，靠搜索排名吃流量。2026 年的问题是，这类词正在被 AI 回答抢走——用户问的是「我睡眠差该补什么」，不是「褪黑素哪个牌子好」。
Thorne 做的调整，Croud 概括成一句话：从 keyword-first 转向 intent-first 和 AI 可见性（AI visibility）。拆开是三层。
第一层，把「关键词」翻译成「意图」。 用户不再搜产品名词，而是搜状态和审美。Croud 的数据里有一条：AI 辅助的时尚消费者按风格/审美搜索的频率高了 23%。Thorne 要回答的不是「维生素 D」，而是「我最近总累，是不是缺什么」。
第二层，让品牌出现在模型的答案里。 这就是所谓的 AI 可见性、生成式引擎优化——不是去刷搜索引擎排名，而是让模型在回答「该补什么」这类问题时，有足够多、足够结构化、足够可信的信息去引用你。Croud 报出的结果是：Thorne 在 LLM 里的被提及率（mention rate）到了 66%。
第三层，也是最容易被忽略的一层——把验证的地面铺好。 模型推荐了你，买家会去 YouTube、去论坛核实。Thorne 的做法是把第三方的可信背书——专家、测评、口碑内容——铺在买家验证的路径上，让「模型的推荐」和「别处的证据」对得上。
结果是 30% 的同比有机收入增长。
这里要打一个诚实的水印：这些数字是 Croud 描述自己客户工作时给出的，属于「卖家用自己做的案例证明自己的方法论」，比第三方独立评估的可信度低一档。但即便打个折扣，Thorne 的方向是对的——它赢在承认了决策裂成两段，并且两段都下了注，而不是只在第一段加码。
三、为什么大多数品牌只买了前半场
Cox Automotive 那组数据暴露了一个普遍的错配：82% 的经销商在用 AI，但只有 29% 为了 AI 搜索行为调整了策略。
翻译一下：大家都在用 AI 干「自己家里」的活——写文案、回客户、做跟进。这是把 AI 当效率工具，省的是人力成本。但几乎没人去处理「买家在 AI 里怎么找到我」这件事——那是收入问题，不是成本问题。
这两者的差别，就是「内部效率」和「外部可见性」的差别。前者好测量：文案少写了几小时，客服少排了几个人，账上看得见。后者几乎没法测量：你怎么知道一笔订单是哪个 AI 回答带来的？Croud 和 Cox 都记录了买家在 AI 里的行为，但都没有给出一套方法，把一笔具体购买归因到一条具体的 AI 推荐上。
于是出现一个经典的预算困境。假设一个中腰部服装品牌：4000 个 SKU，900 万美元营销预算，其中 540 万跑在付费搜索和付费社媒上——这些渠道的归因是现成的，仪表盘是 CFO 天天看的。要团队从这笔钱里切一块出来，投给一个「暂时没有可比归因」的 AI 可见性项目，下一季度的汇报就会很难写。
但买家已经走了。短名单在你看不见的地方闭合，你的付费搜索仪表盘再漂亮，也排除不了「清单在点击之前就已经定好了」这个可能。
四、可复用的三件事
如果 Thorne 的样本能提炼出可迁移的动作，我压这三条。
第一，把 AI 发现的预算拆成两半。 39% 的人会跨四个以上来源核实，超过三分之一去 YouTube。这意味着「在模型答案里出现」和「在买家核实时有背书」是两笔独立的支出。只投第一笔，等于付了推荐费，然后让买家带着推荐去别处证伪——钱漏在第二步。
第二，按意图和审美重写产品数据，而不是按关键词。 AI 用户按风格/审美搜索的频率高了 23%。一个 4000 个 SKU 的服装品牌，如果产品属性还停留在「材质」「尺码」「颜色」，就回答不了「通勤、不皱、显瘦」这类问题。这不是文案的活，是数据工程的活——要有人真正拥有这个 feed，给它工程小时而不是文案小时。
第三，把那个问题写进采购之前。 任何卖「AI 可见性」的供应商，先问一句：你的测量返回什么，谁来做审计？Kargo 和 AWS 签了三年协议，把「超越 last-click 归因的测量」列进能力清单，却没公布这套测量到底返回什么、买家怎么审计。别等签完合同才发现，你买的是「可见性增长」，账上记的是「无法追溯的收入」。
结尾
归因的空白，是这个裂缝里最值钱的地方。
现在的局面是：所有人都在记录买家在 AI 里干了什么，没有一个人能告诉你，那笔钱到底是谁的。谁先把「AI 推荐 → 验证 → 成交」这条归因闭环补上，谁就握住了下一轮营销预算的钥匙。
在那之前，至少把预算拆成两段，别让后半场的钱一直漏下去。
参考来源：Croud Consumer Index（2026-08-11）、Cox Automotive AI in Auto Retail Tracker（2026-08-11）、The Agile Brand Guide 每日新闻综述（2026-08-12）。
